基于手机信令数据的大型交通枢纽出租车接续运输需求特征研究

徐硕 郭丹

（北京市运输管理技术支持中心，北京10000）

城市交通枢纽是城市对内对外联系的重要纽带，更是各类交通方式汇集的一个节点。随着交通需求的不断增长，交通枢纽的集散能力显得尤为重要。交通枢纽对城市内部的主要交通职能为：综合公共交通、社会交通等多种交通方式，高品质、高效率的集散到离枢纽旅客、迎送人员和工作人员。

目前交通枢纽常见的接续运输交通方式包括私家车、出租车、网约车、公交车、地铁等，其中，出租车作为一种方便、灵活的出行方式，在大型交通枢纽接续运输服务中地位重要。然而，由于出租车运营的市场化行为特征，以及大型枢纽旅客时空分布不均等多重原因，枢纽的出租车供需矛盾问题始终存在，且在特定时期比较突出。因此，如何获取接续运输服务的需求特征，评估接续运输供需差异，抓准矛盾突出点，一直都是枢纽问题研究中一项重要的研究课题。

1 研究内容

本研究以大型枢纽出租车接续运输需求特征为研究对象，基于手机信令数据，建立出租车旅客的识别方法，对场站客流进行细分，深度挖掘出租车旅客的候车人数、候车时间等接续运输属性，为出租车接续运输服务保障工作提供有效决策数据支撑。

2 国内外相关研究

近年来，越来越多的研究者将手机信令数据应用于交通问题的研究，如出行特征与需求分析、出行轨迹分析等方面。

国外相关研究的有：Friedrich 等[1]融合手机信令数据与车辆检测数据，通过模糊算法获取车辆轨迹，从而判断车辆出行OD信息，用于交通监测与需求分析；Iqbal[2]基于手机信令数据以及道路交通量，提出了出行OD 计算方法；Rokib[3]则融合手机信令数据与网络签到数据，进行出行OD 的计算。

国内相关的研究有：贾会林[4]提出了基于手机信令数据的出行分布分析方法；冉斌[5]梳理并总结了近期手机信令数据在交通方面的应用，认为手机信令数据可以用于通勤出行、出行OD、客流集散方面的研究。

通过国内外研究现状的梳理来看，手机信令数据已经广泛的为交通研究所用。然而，针对交通枢纽及其接续运输能力的分析，手机信令数据的应用还较少。因此，本研究尝试采用手机信令数据与交通数据相融合的分析方法，对大型交通枢纽出租车接续运输供需进行研究，以证明其有效性。

3 基于手机信令数据的接续运输需求分析方法研究

本研究提出一种基于手机信令数据的出租车接续运输需求特征分析研究方法。手机信令数据凭借数据样本量大、客观全面、时空连续性强等特点，常用于各类需求分析，本研究则将手机信令数据用于出租车接续运输需求分析，可以更精准、更长时的分析出租车接续运输需求状况。

手机信令数据用于接续运输需求分析，包含人群识别、出行OD 的识别以及出行方式的识别三个核心算法，能够精准的得到出租车出行人群的出行时空规律，并基于该出行规律，评价其接续运输能力。各算法的具体内容如下：

3.1 人群识别

精准识别枢纽旅客（即合理剔除居住和工作人口）是研究枢纽出租车接续运输能力的重要内容之一。算法思路步骤如下：

3.1.1 空间筛选特定区域交通小区及对应通信基站；

3.1.2 提取触发该特定区域的用户所有轨迹；

3.1.3 时间上设定阈值参数，判别特定区域职住人口；

3.1.4 剔除职住人口以及过路用户，识别特定区域旅客。

其中，时间阈值判定规则可以取为：

场景1：0 点到6 点之间，若用户在某点的停留时间总和大于3 个小时，则认为该点为用户的居住地。

场景2：9 点到17 点之间，若用户在某点的停留时间总和大于3 个小时，且该停留点与用户居住所在地的距离大于某一阈值，则认为该点为用户的工作地。

具体算法技术见下图：

图1 特定区域不同人群识别流程图

3.2 出行OD 识别

出行OD 算法的关键节点在于计算出行者某一时间段出行的所有起讫点，也就是出行停留点。移动通信数据中，人们会在某些地点停留较长时间，如工作单位、家、购物商场、枢纽、学校等，这些点成为停留点。

本次研究用户出行停留点采用“时间- 空间”双层聚类算法进行识别。该算法共分为两阶段，第一阶段进行空间聚类方法采用DBSCAN 算法，基于第一阶段结果再进行时间层聚类，最终精准识别出用户停留点，进而得到用户的出行OD。具体步骤如下：

（1）提取特定区域相关用户所有轨迹数据；

（2）遍历各用户的所有轨迹数据并作为数据输入；

（3）确定DBSCAN 算法参数，停留点最小点数MinP，停留点判别最小距离MinR；

（4）DBSCAN 模型计算输出各用户的停留点；

（5）将停留点按时间序列进行排序，并计算各簇的停留时长；

（6）判定各簇的停留时长是否大于时间阈值；

（7）识别出停留点，输出停留点集合，并连接出行OD。

具体研究思路见下流程图：

图2“时间- 空间”聚类流程图

3.3 出行方式识别及出租车接续运输需求分析

本研究基于手机信令大数据挖掘分析，分析北京市枢纽场站旅客的出行方式，并结合出租车抬杆数据相互校验分析。具体思路如下：

（1）基于用户移动通信数据识别出行OD；

（2）判别出行OD 及轨迹点在地铁站内的出行方式为地铁出行；

（3）提取出行OD 过程中的特征：平均行驶速度、最大行驶速度、85%分位速度、低速占比、高速占比、平均加速度、最大加速度、平均方向改变率、行程时间、行程距离等特征，以及结合地理信息，判别出行OD 点周边500m 内的公交站点数等；

（4）聚类方法：通过第（3）步中提到的各出行OD 对应的出行特征进行归一化及主成分分析后，采用K-Means 聚类、层次聚类、BIRCH 聚类等；

（5）聚类结果解释：对第（4）步中的结果进行解释，找出各类中心对应的特征值，综合分析解释各类对应不同的出行方式（公交/小汽车/非机动车/步行）；

（6）结合第（2）步中识别的地铁出行，将出行方式分为：地铁/公交/小汽车/非机动车/步行，共五种交通方式；

（7）与出租车抬杆数据分析得到的出租车接续运输运力进行融合分析。

具体出行方式流程图如下：

图3 出行方式识别算法流程图

4 北京西站出租车接续运输需求特征分析研究

4.1 国庆期间主要时期北京西站客流特征

基于手机信令数据以及本研究所提出的算法，计算北京西站国庆期间主要时期（9 月30 日、10 月1 日、6 日及7 日）全日各小时到达旅客百分比，并分析客流高峰小时及对应占比。

（1）北京西站到达客流量在国庆期间整体呈上升趋势，在7日客流量最大，最高客流量为23.11 万人次；

（2）全天客流到达分布在下午14 点-15 点间达到高峰，高峰小时客流量约占7.98%；

（3）9 月30 日和10 月6 日在晚上21 点-22 点间到达客流较大，约占6.38%。

具体客流分布图如下所示：

图4 北京西站国庆期间主要时期客流分布

4.2 出租车排队人数和时间分析

4.2.1 排队人数

基于手机信令数据以及本研究提出的算法，计算北京西站出租车等候区国庆期间每天的平均排队人数、最大排队人数以及节前后四天（9 月30 日、10 月1 日、6 日和7 日）的排队人数分布。

国庆期间最大排队人数总体呈现上升趋势，其中，10 月1日平均排队人数和最大排队人数突高，10 月7 日的最大排队人数较高，达176 人，全天平均大排队人数为63 人。

图5 北京西站出租车等候区国庆期间日排队人数分布

9 月30 日全天排队人数较为平稳，高峰值集中在21:00-0:00；10 月1 日高峰值为14:20-15:20，6 日全天多个高峰值，白天主要表现为多个窄峰，早上和晚上主要表现为宽峰。10 月7 日全天出现多个峰值，其中较为突出的是8:20-10:00、12:10-14:00和14:40-16:20，,均为宽峰，且最大排队人数超过160 人。

图6 北京西站出租车等候区国庆期间各时刻排队人数分布

4.2.2 排队时间

北京西站出租车等候区国庆期间，9 月30 日在22：00-23：30 有一段宽高峰，平均停留时间为22min，1 日在12：00-15：00时段出现两个高峰值，平均停留时间为24min，6 日早晚各出现一段宽峰，时段分别为5：00-7：00 和21：30-23：30，平均停留时间为25min、29min，7 日平均停留时间有若干高峰，高峰时段为9：00-10：30、12：00-13：00 以及15：00-16：00，平均停留时间在30min 左右。

图7 国庆期间北京西站出租车等候区旅客排队时长分布

5 结论

通过本研究发现，手机信令数据可以很好的应用于枢纽出租车接续运输需求特征的分析，该方法更加精准，成本更低，也可以用于进行其他交通方式接续运输需求特征的评估分析。随着技术的进步，可以进一步实现更加实时化和动态化的枢纽接续运输供需监测预警，为运输服务保障调度提供量化数据支撑。

另一方面，根据本研究发现，北京西站在“十一国庆黄金周”这一特殊时期的部分时段，出租车的接续运输供需矛盾较为明显，特别是旅客集中达到时段（如每日下午与晚上的客流到发高峰期）以及轨道交通停运时段。相信随着手机信令数据的应用，可以为进一步优化提升大型枢纽接续运输服务提供更加有力的技术支撑。